Para desarrolladores

Integre la anonimización en su stack

promptShield está disponible como herramienta CLI para canalizaciones locales y como API Docker autoalojada para su infraestructura. Sus datos no llegan nunca a nuestros servidores.

CLI y SDK de Python

Instale desde PyPI y anonimice documentos desde su terminal o sus scripts de Python. Intégrelo en canalizaciones de CI/CD, flujos de procesamiento por lotes o aplicaciones a medida.

bash

pip install promptshield-app

API Docker autoalojada

Despliegue la API completa de promptShield en su propia infraestructura con un solo docker compose up. Endpoints RESTful para la ingesta, la detección, la anonimización y la decodificación.

bash

docker pull promptshield/promptshield-api:latest
docker compose up -d

Inicio rápido

bash

# Detectar datos personales en un documento
promptshield detect report.pdf -o report-pii.json

# Anonimizar y exportar
promptshield anonymize report.pdf -o report-safe.pdf

# Restaurar los datos originales
promptshield detokenize ai-output.pdf -o restored.pdf

# Iniciar el servidor de API local
promptshield serve --host 0.0.0.0 --port 8000

Opciones de detección

Todos los parámetros que expone la aplicación de escritorio están también disponibles en la CLI. Combine las opciones o guárdelas como un preajuste por configuración regional en demo/setup.json.

bash

# Establecer el idioma de detección + el paquete de patrones por país
promptshield detect contract.pdf --language en --countries CA -o pii.json

# Anular el backend de NER (id de modelo de HuggingFace)
promptshield detect contract.pdf --ner-backend Davlan/bert-base-multilingual-cased-ner-hrl

# Desactivar capas + ajustar la agrupación + filtrar el NER solo a PERSON/ORG
promptshield detect contract.pdf --no-llm --fuzziness 0.5 --ner-types PERSON,ORG

# Añadir expresiones literales que deban marcarse como datos personales (repetible)
promptshield detect contract.pdf -e SA-2026-0847 -e "84-329-1057"

# Cargar todos los ajustes desde demo/setup.json por configuración regional y luego empaquetar para revisión
promptshield detect contract.pdf --preset en --export-review -o contract.psreview

--language LANG

Código ISO 639-1: en, fr, de, es, it, nl, pt. Determina el modelo de NER + los paquetes de patrones por idioma.

--countries CODES

Códigos de país ISO separados por comas. CA activa los códigos SIN/RAMQ/postales de todas las provincias.

--ner-backend MODEL

spacy (ligero) o cualquier id de modelo de HuggingFace. Instale los backends BERT/GLiNER con promptshield models install.

--no-regex / --no-ner / --no-llm

Omita capas concretas cuando ya sepa cuáles necesita.

--fuzziness 0.0-1.0

Intensidad de la agrupación de regiones. 0 = estricta, 1 = permisiva.

--regex-types / --ner-types

Restrinja cada capa a tipos de datos personales concretos (PERSON, ORG, EMAIL, …).

-e / --expression PATTERN

Texto literal que marcar como dato personal CUSTOM. Anteponga re: para una expresión regular. Repetible.

--preset LOCALE

Cargue todos los parámetros de detección desde demo/setup.json[locale]. Las opciones de la CLI siguen teniendo prioridad.

--export-review -o FILE.psreview

Empaquete el documento de origen + las regiones detectadas en un ZIP .psreview, perfecto para fixtures o para entregar a revisión.

Interfaz de línea de comandos

Procese documentos desde su terminal con un solo comando. Detecte, anonimice y decodifique, todo sin conexión.

API Docker autoalojada

Despliéguela en su infraestructura con docker compose. API REST completa con documentación interactiva de Swagger en /docs.

SDK de Python

Importe el motor principal directamente en sus scripts de Python. Compatibilidad total con async, sugerencias de tipos y modelos de Pydantic.

Arquitectura de confianza cero

Todo el procesamiento ocurre dentro del contenedor o en su máquina. No se envía ningún dato al exterior, ni siquiera a nosotros.

Todos los formatos de documento

PDF, DOCX, XLSX, PPTX, imágenes (PNG, JPEG, TIFF, BMP, WebP). Incluye OCR para documentos escaneados.

Procesamiento por lotes

Procese cientos de documentos mediante programación. Correspondencias de códigos coherentes entre conjuntos de documentos vinculados.

Ver la documentación de la API Gestionar claves de API

La CLI y la API autoalojada están disponibles en el plan Pro y superiores.

Google Cloud

Infrastructure

Sentry

Error Monitoring

Stripe

Billing

Cloudflare

Edge Security

Tauri 2

Desktop Shell

React 19

Frontend

Next.js 14

Website

Python

Runtime

Rust

Core Engine

Inicio rápido

bash

# Detectar datos personales en un documento
promptshield detect report.pdf -o report-pii.json

# Anonimizar y exportar
promptshield anonymize report.pdf -o report-safe.pdf

# Restaurar los datos originales
promptshield detokenize ai-output.pdf -o restored.pdf

# Iniciar el servidor de API local
promptshield serve --host 0.0.0.0 --port 8000

Opciones de detección

bash

# Establecer el idioma de detección + el paquete de patrones por país
promptshield detect contract.pdf --language en --countries CA -o pii.json

# Anular el backend de NER (id de modelo de HuggingFace)
promptshield detect contract.pdf --ner-backend Davlan/bert-base-multilingual-cased-ner-hrl

# Desactivar capas + ajustar la agrupación + filtrar el NER solo a PERSON/ORG
promptshield detect contract.pdf --no-llm --fuzziness 0.5 --ner-types PERSON,ORG

# Añadir expresiones literales que deban marcarse como datos personales (repetible)
promptshield detect contract.pdf -e SA-2026-0847 -e "84-329-1057"

# Cargar todos los ajustes desde demo/setup.json por configuración regional y luego empaquetar para revisión
promptshield detect contract.pdf --preset en --export-review -o contract.psreview

--language LANG

Código ISO 639-1: en, fr, de, es, it, nl, pt. Determina el modelo de NER + los paquetes de patrones por idioma.

--countries CODES

Códigos de país ISO separados por comas. CA activa los códigos SIN/RAMQ/postales de todas las provincias.

--ner-backend MODEL

spacy (ligero) o cualquier id de modelo de HuggingFace. Instale los backends BERT/GLiNER con promptshield models install.

--no-regex / --no-ner / --no-llm

Omita capas concretas cuando ya sepa cuáles necesita.

--fuzziness 0.0-1.0

Intensidad de la agrupación de regiones. 0 = estricta, 1 = permisiva.

--regex-types / --ner-types

Restrinja cada capa a tipos de datos personales concretos (PERSON, ORG, EMAIL, …).

-e / --expression PATTERN

Texto literal que marcar como dato personal CUSTOM. Anteponga re: para una expresión regular. Repetible.

--preset LOCALE

Cargue todos los parámetros de detección desde demo/setup.json[locale]. Las opciones de la CLI siguen teniendo prioridad.

--export-review -o FILE.psreview

Empaquete el documento de origen + las regiones detectadas en un ZIP .psreview, perfecto para fixtures o para entregar a revisión.